论文部分内容阅读
无线传感器网络(Wireless Sensor Networks,WSN)由大量无线传感器节点以自组织的方式构成,其自身的结构特点使其具有采样精度高、环境适应性好、抗毁性强等优点,从而被广泛应用于军事及民用领域的环境数据收集工作中。但是,传感器节点的能量受限特性却限制了WSN在实际应用中被大规模、长时间的部署。因此,如何在保证数据精度的前提下,减少网络中传输的数据量、降低网络能耗、延长网络生存时间就成为了WSN所面临的最急需解决的问题。压缩感知理论(Compressive Sensing,CS)的提出为解决上述问题提供了一种新的思路,其所具有的“前端简单,后端复杂”的特性以及良好的数据压缩性能正好满足WSN中数据收集的需求,因而将CS理论运用于WSN对实现高精度、低能耗以及长时间的网络数据收集有重要的实用价值和研究意义。因此,本文针对WSN中存在的上述问题,在对WSN与CS的基本理论进行研究的基础上,以降低网络能耗、延长网络生存时间为目标,从利用CS理论对网络中的时空相关数据进行压缩编码以减少所需传输的数据量以及设计高效的网络路由算法以低开销、能耗均衡的方式完成观测值的生成与汇聚过程这两个方面出发,对基于CS的WSN数据收集算法进行研究,并提出了两种新的时空压缩数据收集算法:(1)针对现有算法汇聚观测值到sink节点开销大的问题,本文以降低WSN中数据收集所需能耗为目标,将基于CS的时空压缩采样策略与倾向性游走路由相结合,提出了一种基于倾向性游走的时空压缩数据收集算法。该算法充分利用网络数据的时、空相关性,首先对网络中各个节点采集的时间域数据进行压缩编码,以减少网络中所需传输的数据量;然后,在空间域上通过倾向性游走的方式融合节点上压缩编码后的数据,在生成观测值的同时,使得汇聚观测值到sink节点所需的开销更少。通过仿真实验证明,相比于已有的RW、RS以及ST-RW算法,在数据恢复精度相同的情况下,该算法能够进一步减少网络数据收集所消耗的能量达82%、52%、26%。(2)针对由简单多跳汇聚路由所导致的“热点”问题以及现有算法生成观测值开销大的问题,本文以进一步均衡网络能耗分布、延长网络生存时间为目标,将CS理论与分簇网络结构相结合,提出了一种基于簇结构的时空压缩数据收集算法。该算法首先提出了一种时空压缩簇内数据收集方案,从充分利用数据的相关性、降低簇内数据收集能耗以及均衡簇内能耗分布这三个方面确定簇内空间域上的采样节点,并以CS的方式对采样节点上的时间域数据进行压缩编码,完成对簇内数据的时空压缩采集,从而降低生成观测值所需的网络开销,减少网络中待汇聚的数据量;然后,该算法提出了一种簇头轮转策略用以解决因簇内节点身份不同而导致的能耗分布不均衡的问题;最后,该算法以均衡簇头节点能耗分布为目标,提出了一种簇间能耗均衡路由构建方法,其根据每个簇头节点的剩余能量以及簇头节点间的距离规划簇间汇聚路由,使得每轮数据收集过程结束后,簇头节点的剩余能量的方差尽可能小。仿真结果表明,相比于已有的同类算法ClusterHCS和ClusterSTCS,该算法在达到相同数据恢复精度的情况下,能够有效地降低网络能耗,均衡网络能耗分布,从而大幅延长网络生存时间。